Uvod v uporabo poglobljenega učenja
Globoko učenje je podmnožica strojnega učenja, korak k umetni inteligenci. Globoke metode učenja delujejo kot človeški um, so kot umetna nevronska mreža. Uporaba globokega učenja je tudi za kopiranje stvari, ki jih je sposoben človeški um. Ko človeški um sprejema odločitve po viziji ali zvoku ali besedilnih vzorcih, enako deluje tudi globoko učenje pri odločanju. Na primer, če pogledamo sliko in rečemo, ali gre za psa ali mačko ali določimo različne predmete na sliki, prepoznamo zvok instrumenta / izvajalca in govorimo o tem, rudarjenje besedil in obdelava naravnega jezika so nekatere od aplikacij globokega učenje.
Uporaba globljega učenja
Vloge globokega učenja je ogromno, vendar bi poskušali zajeti najbolj uporabljeno uporabo tehnik globokega učenja. Tu je nekaj aplikacij za globoko učenje, ki zdaj zelo hitro spreminjajo svet okoli nas.
1. Zaznavanje strupenosti za različne kemijske strukture
Tu je metoda učinkovitega učenja globoka, kjer so si strokovnjaki vzeli desetletja časa za določitev strupenosti določene strukture, vendar je z modelom poglobljenega učenja mogoče določiti strupenost v zelo manjši količini časa (odvisno od zahtevnosti bi lahko bile ure ali dnevi). Modeli poglobljenega učenja lahko predstavljajo abstraktne koncepte vnosa v večstopenjski hierarhiji. Omogoča učenje večopravilnosti za vse strupene učinke samo v enem kompaktnem nevronskem omrežju, zaradi česar je zelo informativen. Ta model normalizira vse kemijske strukture spojin, sestavite jih, da napovedujejo strupenost morebitnih novih spojin iz normaliziranih struktur. Kako globoko učenje je veliko boljše od drugih tehnik strojnega učenja? Oglejte si ta prispevek (DeepTox: Napoved strupenosti z uporabo globljega učenja Andreas Mayr 1, 2 †, Günter Klambauer 1 †, Thomas Unterthiner 1, 2 † in Sepp Hochreiter 1 * )
2. Odkrivanje mitoze / radiologija
Določitev modela globokega učenja za odkrivanje raka ima 6000 dejavnikov, ki bi lahko pomagali napovedati preživetje pacienta. Za diagnozo raka dojke je bil model učenja globokega učenja dokazan kot učinkovit in učinkovit. CNN-model globokega učenja je zdaj sposoben zaznati in razvrstiti mitozo med bolnike. Globoke nevronske mreže pomagajo pri preiskavi življenjskega cikla celic (Vir: Odkrivanje mitoze celic z uporabo globokih nevronskih mrež Yao Zhou, Hua Mao, Zhang Yi).
3. Nastajanje halucinacije ali zaporedja
Ustvarjanje novih posnetkov z opazovanjem različnih video iger, učenje njihovega delovanja in ponovitev z uporabo tehnik globokega učenja, kot so ponavljajoče se nevronske mreže. Globoko učenje halucinacij lahko ustvari slike z visoko ločljivostjo z uporabo slik z nizko ločljivostjo. Ta model se nadalje uporablja za obnovo zgodovinskih podatkov iz slik z nizko ločljivostjo s pretvorbo v slike z visoko ločljivostjo.
4. Razvrščanje slik / Strojni vid
vidimo, da je Facebook, ki ponuja predlog za samodejno označevanje različnih oseb na sliki, popoln primer strojnega vida. Uporablja globoke mreže in fotografira pod različnimi koti, nato pa tej sliki označi ime. Ti modeli globokega učenja so zdaj tako napredni, da lahko na sliki prepoznamo različne predmete in lahko napovemo, kaj bi lahko bilo na tej sliki. Na primer, slika v restavraciji ima v njej različne lastnosti, kot so mize, stoli, različni prehrambeni predmeti, nož, vilice, kozarec, pivo (blagovna znamka piva), razpoloženje ljudi na sliki itd. Če pogledate slike, ki jih objavi oseba, lahko zaznate všečnosti te osebe in priporočite podobne stvari za nakup ali kraje za obisk itd.
5. Prepoznavanje govora
Govor je najpogostejša metoda komunikacije v človeški družbi. Ko človeški govor to razume in se nanje odziva, na enak način model poglobljenega učenja izboljšuje zmogljivosti računalnikov, da lahko razumejo, kako ljudje reagirajo na različne govore. V vsakodnevnem življenju imamo primere v živo, kot so Siri Apple, Alexa iz Amazona, google home mini itd. V govoru je veliko dejavnikov, ki jih je treba upoštevati kot jezik / naglas / starost / spol / kakovost zvoka itd. Cilj je prepoznati neznanega zvočnika in se odzvati z njim na podlagi njegovih zvočnih signalov.
6. Črpanje besedila in prepoznavanje besedila
Samo pridobivanje besedila ima v realnem svetu veliko aplikacij. Na primer, samodejno prevajanje iz enega jezika v drugega, sentimentalna analiza različnih recenzij. To splošno poznamo kot naravno obdelavo jezika. Ko pišemo e-poštno sporočilo, opazimo samodejni predlog za dokončanje stavka tudi uporaba poglobljenega učenja.
7. Napoved trga
Modeli poglobljenega učenja lahko napovedujejo nakup in prodajo klicev za trgovce, odvisno od nabora podatkov, kako je bil model usposobljen, uporaben je tako za kratkoročno trgovalno igro kot tudi za dolgoročne naložbe na podlagi razpoložljivih funkcij.
8. Digitalno oglaševanje
Modeli poglobljenega učenja kategorizirajo uporabnike na podlagi njihove prejšnje zgodovine nakupov in brskanja ter priporočajo ustrezne in prilagojene oglase v realnem času. Lahko doživimo isto, izdelek, ki ste ga pravkar iskali v svoji amazonski aplikaciji, oglas istega bo prikazan v drugih aplikacijah, kot je IRCTC.
9. Zaznavanje prevare
Model globokega učenja uporablja več virov podatkov za označevanje odločbe kot goljufije v realnem času. Z modeli poglobljenega učenja je mogoče tudi ugotoviti, kateri izdelek in na katerih trgih so najbolj dovzetni za goljufije ter jim v takih primerih zagotoviti ali dodatno oskrbo.
10. Napoved potresa
Seizmolog poskuša napovedati potres, vendar je preveč zapleten, da bi ga lahko predvideval. Ena napačna napoved stane toliko ljudi, pa tudi vlad. V potresu sta dve vrsti valov p-val (potuje hitro, vendar je škoda manjša), s-val (potuje počasi, škoda pa je velika). Težko je sprejemati odločitve že pred dnevi, vendar s pomočjo tehnik poglobljenega učenja lahko napovedujemo izid vsakega vala iz prejšnjih izkušenj že nekaj ur prej, vendar je temu primerno hitro mogoče prilagoditi.
Zaključek - Uporaba poglobljenega učenja
Globoko učenje nam olajša veliko težkih nalog. Uporaba globokega učenja v različnih industrijskih sektorjih in je revolucionarna na nekaterih področjih, kot so zdravstvena oskrba (odkrivanje drog / odkrivanje raka itd.), Avtomobilska industrija (avtonomni sistem vožnje), sektor oglaševanja (prilagojeni oglasi spreminjajo tržne trende). Razpravljali smo o glavnih aplikacijah poglobljenega učenja, vendar še vedno obstaja veliko drugih aplikacij, pri katerih se nekatere delajo, nekatere pa bodo prišle v prihodnosti.
Priporočeni članki
To je vodnik za uporabo globljega učenja. Tukaj razpravljamo tudi o uvodu in najboljših 10 aplikacijah globljega učenja. Za več informacij si lahko ogledate tudi naslednje članke -
- Okviri strojnega učenja
- Kaj je globoko učenje
- Algoritmi poglobljenega učenja
- Tehnika poglobljenega učenja
- Poizvedbeni primeri ustvarjanja pogledov v Oracle
- Hierarhija v Tableauu | Kako ustvariti?
- Vodnik po tehnikah strojnega učenja